論文の概要: Multi-RF Fusion with Multi-GNN Blending for Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2603.20724v1
• Date: Sat, 21 Mar 2026 09:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.057924
• Title: Multi-RF Fusion with Multi-GNN Blending for Molecular Property Prediction
• Title（参考訳）: 分子特性予測のためのマルチGNNブレンドによるマルチRF核融合
• Authors: Zacharie Bugaud,
• Abstract要約: Multi-RF Fusion は ogbg-molhiv (10 種) 上で 0.8476 +/- 0.0002 の ROC-AUC テストを達成する 方法は、最大分子指紋で訓練された12のランダムフォレストモデルの平均的なアンサンブルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-RF Fusion achieves a test ROC-AUC of 0.8476 +/- 0.0002 on ogbg-molhiv (10 seeds), placing #1 on the OGB leaderboard ahead of HyperFusion (0.8475 +/- 0.0003). The core of the method is a rank-averaged ensemble of 12 Random Forest models trained on concatenated molecular fingerprints (FCFP, ECFP, MACCS, atom pairs -- 4,263 dimensions total), blended with deep-ensembled GNN predictions at 12% weight. Two findings drive the result: (1) setting max_features to 0.20 instead of the default sqrt(d) gives a +0.008 AUC gain on this scaffold split, and (2) averaging GNN predictions across 10 seeds before blending with the RF eliminates GNN seed variance entirely, dropping the final standard deviation from 0.0008 to 0.0002. No external data or pre-training is used.
• Abstract（参考訳）: Multi-RF Fusion は ogbg-molhiv (10 種) 上で 0.8476 +/- 0.0002 の ROC-AUC をテストし、HyperFusion (0.8475 +/- 0.0003) より前の OGB リーダーボードに #1 を配置する。 この手法の核となるのは、結合分子指紋(FCFP, ECFP, MACCS, 原子対 -- 4,263 次元 -- で訓練された12のランダムフォレストモデルの平均アンサンブルであり、重量は12%である。 1) デフォルトの sqrt(d) の代わりに max_features を 0.20 に設定すると、このスキャフォールド分割に対して +0.008 AUC ゲインが得られ、(2) RF とブレンドする前に GNN 予測を 10 種にわたって平均化すると、GNN の種子分散は完全に排除され、最終的な標準偏差は 0.0008 から 0.0002 に減少する。 外部データや事前トレーニングは使用しない。

関連論文リスト

• Modeling subgrid scale production rates on complex meshes using graph neural networks [0.0]
  非一様メッシュ上でフィルタされた種の生産率を予測するグラフニューラルネットワーク(GNN)を開発した。 乱流予混合水素-メタンジェット火炎の直接数値シミュレーションでは、10%、50%、80%の水素分がデータセットを提供する。
  論文  参考訳（メタデータ） (2026-03-20T10:35:46Z)
• DW-KNN: A Transparent Local Classifier Integrating Distance Consistency and Neighbor Reliability [0.7874708385247353]
  DW-KNNは、指数的距離と近隣の妥当性を統合する透明で堅牢な変種である。 平均で0.8988の精度を達成し、6つの手法のうち2位にランクされ、最も優れたエンサンブルKNNの0.2%以内である。
  論文  参考訳（メタデータ） (2025-11-28T09:26:45Z)
• Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models [0.0]
  糖尿病は世界中で5億3700万人を超え、2045年までに7億8300万人に達すると予測されている。 2つのハイブリッド分類器を比較し、外部コホート上での一般化性を評価する。
  論文  参考訳（メタデータ） (2025-09-24T21:18:52Z)
• DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
  Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
  論文  参考訳（メタデータ） (2025-09-19T16:09:33Z)
• GreenFactory: Ensembling Zero-Cost Proxies to Estimate Performance of Neural Networks [1.6986870945319288]
  GreenFactoryは、モデルテストの精度を直接予測するゼロコストプロキシのアンサンブルである。 NATS-Bench上でGreenFactoryを評価し、複数のデータセットで堅牢な結果を得る。
  論文  参考訳（メタデータ） (2025-05-14T12:40:34Z)
• DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
  分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。 既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
  論文  参考訳（メタデータ） (2023-08-16T11:22:36Z)
• GMConv: Modulating Effective Receptive Fields for Convolutional Kernels [52.50351140755224]
  畳み込みニューラルネットワークでは、固定N$times$N受容場(RF)を持つ正方形カーネルを用いて畳み込みを行う。 ERFが通常ガウス分布を示す性質に着想を得て,本研究でガウス・マスク畳み込みカーネル(GMConv)を提案する。 私たちのGMConvは、既存のCNNの標準の畳み込みを直接置き換えることができ、標準のバックプロパゲーションによって、エンドツーエンドで簡単に訓練することができます。
  論文  参考訳（メタデータ） (2023-02-09T10:17:17Z)
• Adaptive Split-Fusion Transformer [90.04885335911729]
  本稿では,適応重みによる畳み込みと注目の分岐を異なる方法で扱うための適応分割変換器(ASF-former)を提案する。 ImageNet-1Kのような標準ベンチマークの実験では、我々のASFフォーマーはCNN、トランスフォーマー、ハイブリッドパイロットを精度で上回っている。
  論文  参考訳（メタデータ） (2022-04-26T10:00:28Z)
• Simultaneously Predicting Multiple Plant Traits from Multiple Sensors via Deformable CNN Regression [0.0]
  植物栽培と農業生産のパイプラインにとって、交通量測定は重要である。 我々は、複数のセンサ入力を受け入れ、複数の連続特性出力を予測する比較的単純な畳み込みニューラルネットワーク(CNN)モデルを導入する。
  論文  参考訳（メタデータ） (2021-12-06T18:00:28Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。